A tecnologia Blockchain e o aprendizado de máquina, como dois campos que têm atraído muita atenção, lideram o progresso tecnológico com suas características descentralizadas e capacidades baseadas em dados, respectivamente. ZK (Zero-Knowledge, doravante referido como ZK) na tecnologia blockchain é um conceito em criptografia, que se refere a uma prova ou processo interativo no qual o provador pode provar a veracidade de uma afirmação ao verificador sem divulgar nenhuma informação específica sobre isso declaração. ML (Machine Learning, Machine Learning, doravante referido como ML) é um ramo da IA. O aprendizado de máquina aprende com os dados de entrada, os resume para formar um modelo e faz previsões e decisões.
Nesse contexto, o ZKML (Zero-Knowledge Machine Learning), que combina os dois, floresceu recentemente. O ZKML combina os recursos de proteção e verificação de privacidade da prova de conhecimento zero com os recursos de processamento de dados e tomada de decisão do aprendizado de máquina, trazendo novas oportunidades e possibilidades para aplicativos blockchain. O ZKML nos fornece uma solução para simultaneamente proteger a privacidade dos dados, verificar a precisão do modelo e melhorar a eficiência computacional.
Este artigo apresentará o ZKML em profundidade, entenderá seus princípios técnicos e cenários de aplicação, explorará esse empolgante campo cruzado com desenvolvedores e revelará como o ZKML pode construir um futuro digital com privacidade, segurança e eficiência mais completas!
ZKML: A combinação de prova de conhecimento zero e aprendizado de máquina
Existem duas razões pelas quais a prova de conhecimento zero e o aprendizado de máquina podem ser combinados no blockchain:
Por um lado, a tecnologia de conhecimento zero do ZK não apenas espera realizar a verificação eficiente de transações na cadeia, mas os desenvolvedores do ZK também esperam que o ZK possa ser usado em um campo ecológico mais amplo. O poderoso suporte de IA do ML tornou-se um pólo para o ZK expansão ecológica de aplicação.Bom ajudante.
Por outro lado, todo o processo, desde o desenvolvimento até o uso de modelos de ML, enfrenta o problema da prova de confiança. O ZK pode ajudar o ML a realizar a prova de validade sem vazar dados e informações e resolver o dilema de confiança do ML. A combinação de ZKML significa que ambos pegam o que precisam e vão em ambas as direções, além de adicionar impulso à ecologia do blockchain.
As necessidades e capacidades de desenvolvimento de ZK e ML se complementam
O ML tem muitos problemas de confiança para resolver, e a precisão, integridade e privacidade de fluxos de trabalho individuais precisam ser comprovadas. O ZK pode verificar efetivamente se algum tipo de computação está sendo executado corretamente sob a premissa de garantir a privacidade, o que resolve o antigo problema de prova de confiança no aprendizado de máquina. A integridade do modelo é uma questão importante de prova de confiança no processo de treinamento de ML, mas a proteção da privacidade dos dados e informações que o modelo de ML é treinado e usado é igualmente importante. Isso torna difícil para o treinamento de ML passar pela auditoria de terceiros e pela agência reguladora para concluir a prova de confiança, e o ZK descentralizado com atributos de conhecimento zero é um caminho de prova de confiança altamente compatível com ML.
"AI melhora a produtividade, blockchain otimiza relações de produção", ML injeta maior impulso de inovação e qualidade de serviço na trilha ZK, ZK fornece verificabilidade e proteção de privacidade para ML e ZKML e ZKML se complementam no ambiente blockchain.
Vantagens técnicas do ZKML
As principais vantagens técnicas do ZKML são a combinação de integridade computacional, proteção de privacidade e otimização heurística. Do ponto de vista da privacidade, as vantagens do ZKML são:
Obtendo verificação transparente
A prova de conhecimento zero (ZK) pode avaliar o desempenho do modelo sem expor os detalhes internos do modelo, permitindo um processo de avaliação transparente e sem confiança.
Garantia de privacidade de dados
O ZK pode ser usado para verificar dados públicos usando um modelo público ou verificar dados privados usando um modelo privado, garantindo assim a privacidade e a sensibilidade dos dados.
O próprio ZK garante a exatidão de uma determinada declaração sob a premissa de garantir a privacidade por meio de protocolos criptográficos, o que resolve os defeitos do aprendizado de máquina à prova de correção de computação na proteção de privacidade e aprendizado de máquina de criptografia homomórfica na proteção de privacidade. A incorporação do ZK ao processo de ML cria uma plataforma segura e preservadora da privacidade que aborda as deficiências do aprendizado de máquina tradicional. Isso não apenas incentiva as empresas de privacidade a adotar técnicas de aprendizado de máquina, mas os desenvolvedores da Web2 também estão mais motivados a explorar o potencial tecnológico da Web3.
ZK Empowers ML: fornece infraestrutura on-chain
Os grilhões do poder de computação na cadeia ML e ZK-SNARKs
A razão pela qual o ML, que é relativamente maduro fora da cadeia, acaba de entrar na cadeia é porque o custo do poder de computação do blockchain é muito alto. Muitos projetos de aprendizado de máquina não podem ser executados diretamente no ambiente blockchain representado pelo EVM devido a limitações de poder de computação. Ao mesmo tempo, embora a verificação da validade do ZK seja mais eficiente do que o cálculo duplo, essa vantagem é limitada ao processamento de dados da transação nativo do blockchain. Quando as operações e interações criptográficas já complexas do ZK enfrentam um grande número de operações de ML, o problema de baixo TPS do blockchain é exposto, e o problema do baixo poder de computação do blockchain tornou-se o maior obstáculo que impede o ML on-chain.
O surgimento de ZK-SNARKs alivia o problema dos altos requisitos de poder de computação do ML. ZK-SNARKs é uma construção criptográfica de prova de conhecimento zero, e seu nome completo é "Argumento de conhecimento sucinto e não interativo de conhecimento zero". É uma técnica baseada em criptografia de curva elíptica e criptografia homomórfica para provas eficientes de conhecimento zero. ZK-SNARK é caracterizado por alta compacidade. Ao usar ZK-SNARKs, o provador pode gerar uma prova curta e compacta, e o verificador precisa apenas realizar uma pequena quantidade de cálculo para verificar a validade da prova sem ter que se comunicar com o provar muitas vezes. interagir. Essa natureza de exigir apenas uma interação entre o provador e o verificador torna os ZK-SNARKs eficientes e práticos em aplicações práticas e é mais adequado para os requisitos de poder de computação do ML na cadeia. Atualmente, ZK-SNARKs são a principal forma de ZK em ZKML.
Requisitos de infraestrutura on-chain do ML e projetos correspondentes
A capacitação de ZK para ML é refletida principalmente na prova de conhecimento zero de todo o processo de ML, que é a interação entre ML e as funções na cadeia. Os dois principais problemas que precisam ser resolvidos nessa interação são conectar os formulários de dados dos dois e fornecer poder de computação para o processo de prova ZK.
**Aceleração de hardware ZK: **A prova ZK do ML é mais complicada, o que requer poder de computação on-chain assistido por hardware para acelerar o cálculo da prova. Esses projetos incluem: Cysic, Ulvetanna, Ingonyama, Supranational, Accseal.
**Processamento de dados ML na cadeia: **Processe os dados na cadeia em um formulário de dados que pode entrar no treinamento ML e ajudar a saída do ML a ser acessada mais facilmente a partir da cadeia. Esses projetos incluem: Axiom, Herodotus, LAGRANGE, Hyper Oracle.
**Circuitização de cálculo ML: **O modo de cálculo ML é diferente da prova de circuitização on-chain do ZK, e on-chain do ML deve converter seu modo de cálculo em uma forma de circuito que pode ser processada pelo blockchain ZK. Tais projetos incluem: Modulus Labs, Jason Morton, Giza.
Prova de ZK de **resultado de ML: **O problema de prova de confiança de ML precisa ser resolvido por ZK na cadeia. O aplicativo baseado em ZK-SNARKs construídos em Risc Zero ou Nil Foundation pode realizar a prova de autenticidade do modelo. Esses projetos incluem: RISC Zero, Axiom, Herodotus, Delphinus Lab, Hyper Oracle, Poseidon ZKP, IronMill.
ML capacitando o ZK: enriquecimento de cenários de aplicativos Web3
O ZK resolve o problema de prova de confiança do ML e oferece ao ML a oportunidade de ser encadeado. Muitos campos da Web3 precisam urgentemente da produtividade ou suporte à decisão de AI ML. O ZKML permite que aplicativos on-chain realizem o empoderamento de AI sob a premissa de garantir descentralização e eficácia.
DeFi
O ZKML pode ajudar o DeFi a ser mais automatizado, um é a automação de atualizações de parâmetros de protocolo na cadeia; o outro é a automação de estratégias de negociação.
A Modulus Labs lançou o RockyBot, o primeiro bot de negociação AI totalmente on-chain.
FEZ
O ZKML pode ajudar na construção do DID de identidade descentralizada Web3. Anteriormente, os modos de gerenciamento de identidade, como chaves privadas e mnemônicos, tornavam a experiência do usuário do Web3 ruim. A construção do DID real pode ser concluída por meio do ZKML para identificar as informações biológicas dos indivíduos do Web3. Ao mesmo tempo, o ZKML pode garantir a segurança da privacidade das informações biológicas do usuário .
A Worldcoin está implementando o ZKML para verificação DID de conhecimento zero com base na varredura de íris.
jogo
O ZKML pode ajudar os jogos da Web3 a obter on-chain com todos os recursos. O ML pode trazer automação diferenciada para a interação do jogo e aumentar a diversão do jogo; enquanto o ZK pode tomar as decisões de interação do ML on-chain.
Modulus Labs lança o jogo de xadrez ZKML @VsLeela;
AI ARENA usa ZKML para realizar a alta interatividade dos jogos NFT na cadeia.
Cuidados de saúde e assessoria jurídica
Saúde e consultoria jurídica são áreas com alta privacidade e requerem um grande número de acumulações de casos. O ZKML pode ajudar os usuários a tomar decisões e garantir que a privacidade dos usuários não seja vazada.
Desafios ZKML
Atualmente, o ZKML está se desenvolvendo vigorosamente, mas como não é nativo do blockchain e requer muito poder de computação, o ZKML enfrentará principalmente os dois desafios a seguir no futuro:
Problema de distorção de parâmetro no processo de quantização e upload de dados ML:
*A maioria dos ML usa números de ponto flutuante para representar os parâmetros do modelo, enquanto os circuitos ZK precisam usar números de ponto fixo. No processo de conversão de tipo digital, a precisão dos parâmetros ML será reduzida, o que levará à distorção dos resultados de saída ML até certo ponto.
Os requisitos de alta potência de computação de seu grande modelo ZK proof:
No momento, o poder de computação do blockchain não pode lidar com ZKML de grande escala e alto cálculo na cadeia. Os ZK-SNARKs populares atuais suportam apenas provas de conhecimento zero de ML de pequena escala e pequena escala. A limitação de poder de computação é um fator chave que afeta o desenvolvimento de aplicativos blockchain ZKML.
A etapa de geração de provas ZK possui alta complexidade computacional e requer muitos recursos de poder computacional. Devido à alta correlação entre os dados acessados e processados na etapa de prova ZK, é difícil distribuir esse processo e não pode ser "paralelizável". A distribuição desse processo pode introduzir complexidade adicional e até degradar o desempenho geral. Atualmente, para resolver o problema da eficiência da computação ZK, a direção principal da pesquisa é mais sobre otimização de algoritmo e aceleração de hardware.
Conclusão
ZKML é um movimento bidirecional entre a prova de conhecimento zero e o aprendizado de máquina. A tecnologia blockchain recentemente desenvolvida ZK ajuda ML a resolver o problema de prova de confiança e fornece um ambiente on-chain para ML; a tecnologia AI madura ML ajuda ZK a realizar Web3 ecológico expansão e inovação de aplicativos.
O desenvolvimento do ZKML enfrenta alguns desafios, como problemas de distorção de parâmetros e requisitos de alta potência de computação para modelos grandes, mas esses problemas podem ser resolvidos por meio de inovação tecnológica e aceleração de hardware. Com o contínuo surgimento e desenvolvimento de projetos ZKML, podemos prever que trará mais inovação e valor ao ecossistema Web3 em áreas como DeFi, DID, jogos e saúde.
No futuro, espera-se que ZKML se torne a chave para realmente desbloquear a integração cruzada de Web3 + AI, fornecendo forte suporte para aumentar a segurança, proteção de privacidade e aplicativos de blockchain eficientes. Ao combinar o conhecimento zero do ZK e os recursos de processamento de dados do ML, certamente seremos capazes de criar um mundo digital mais aberto, inteligente e confiável!
Ver original
O conteúdo é apenas para referência, não uma solicitação ou oferta. Nenhum aconselhamento fiscal, de investimento ou jurídico é fornecido. Consulte a isenção de responsabilidade para obter mais informações sobre riscos.
Uma olhada nas vantagens e desafios do aprendizado de máquina ZKML de conhecimento zero
A tecnologia Blockchain e o aprendizado de máquina, como dois campos que têm atraído muita atenção, lideram o progresso tecnológico com suas características descentralizadas e capacidades baseadas em dados, respectivamente. ZK (Zero-Knowledge, doravante referido como ZK) na tecnologia blockchain é um conceito em criptografia, que se refere a uma prova ou processo interativo no qual o provador pode provar a veracidade de uma afirmação ao verificador sem divulgar nenhuma informação específica sobre isso declaração. ML (Machine Learning, Machine Learning, doravante referido como ML) é um ramo da IA. O aprendizado de máquina aprende com os dados de entrada, os resume para formar um modelo e faz previsões e decisões.
Nesse contexto, o ZKML (Zero-Knowledge Machine Learning), que combina os dois, floresceu recentemente. O ZKML combina os recursos de proteção e verificação de privacidade da prova de conhecimento zero com os recursos de processamento de dados e tomada de decisão do aprendizado de máquina, trazendo novas oportunidades e possibilidades para aplicativos blockchain. O ZKML nos fornece uma solução para simultaneamente proteger a privacidade dos dados, verificar a precisão do modelo e melhorar a eficiência computacional.
Este artigo apresentará o ZKML em profundidade, entenderá seus princípios técnicos e cenários de aplicação, explorará esse empolgante campo cruzado com desenvolvedores e revelará como o ZKML pode construir um futuro digital com privacidade, segurança e eficiência mais completas!
ZKML: A combinação de prova de conhecimento zero e aprendizado de máquina
Existem duas razões pelas quais a prova de conhecimento zero e o aprendizado de máquina podem ser combinados no blockchain:
Por um lado, a tecnologia de conhecimento zero do ZK não apenas espera realizar a verificação eficiente de transações na cadeia, mas os desenvolvedores do ZK também esperam que o ZK possa ser usado em um campo ecológico mais amplo. O poderoso suporte de IA do ML tornou-se um pólo para o ZK expansão ecológica de aplicação.Bom ajudante.
Por outro lado, todo o processo, desde o desenvolvimento até o uso de modelos de ML, enfrenta o problema da prova de confiança. O ZK pode ajudar o ML a realizar a prova de validade sem vazar dados e informações e resolver o dilema de confiança do ML. A combinação de ZKML significa que ambos pegam o que precisam e vão em ambas as direções, além de adicionar impulso à ecologia do blockchain.
As necessidades e capacidades de desenvolvimento de ZK e ML se complementam
O ML tem muitos problemas de confiança para resolver, e a precisão, integridade e privacidade de fluxos de trabalho individuais precisam ser comprovadas. O ZK pode verificar efetivamente se algum tipo de computação está sendo executado corretamente sob a premissa de garantir a privacidade, o que resolve o antigo problema de prova de confiança no aprendizado de máquina. A integridade do modelo é uma questão importante de prova de confiança no processo de treinamento de ML, mas a proteção da privacidade dos dados e informações que o modelo de ML é treinado e usado é igualmente importante. Isso torna difícil para o treinamento de ML passar pela auditoria de terceiros e pela agência reguladora para concluir a prova de confiança, e o ZK descentralizado com atributos de conhecimento zero é um caminho de prova de confiança altamente compatível com ML.
"AI melhora a produtividade, blockchain otimiza relações de produção", ML injeta maior impulso de inovação e qualidade de serviço na trilha ZK, ZK fornece verificabilidade e proteção de privacidade para ML e ZKML e ZKML se complementam no ambiente blockchain.
Vantagens técnicas do ZKML
As principais vantagens técnicas do ZKML são a combinação de integridade computacional, proteção de privacidade e otimização heurística. Do ponto de vista da privacidade, as vantagens do ZKML são:
Obtendo verificação transparente
A prova de conhecimento zero (ZK) pode avaliar o desempenho do modelo sem expor os detalhes internos do modelo, permitindo um processo de avaliação transparente e sem confiança.
Garantia de privacidade de dados
O ZK pode ser usado para verificar dados públicos usando um modelo público ou verificar dados privados usando um modelo privado, garantindo assim a privacidade e a sensibilidade dos dados.
O próprio ZK garante a exatidão de uma determinada declaração sob a premissa de garantir a privacidade por meio de protocolos criptográficos, o que resolve os defeitos do aprendizado de máquina à prova de correção de computação na proteção de privacidade e aprendizado de máquina de criptografia homomórfica na proteção de privacidade. A incorporação do ZK ao processo de ML cria uma plataforma segura e preservadora da privacidade que aborda as deficiências do aprendizado de máquina tradicional. Isso não apenas incentiva as empresas de privacidade a adotar técnicas de aprendizado de máquina, mas os desenvolvedores da Web2 também estão mais motivados a explorar o potencial tecnológico da Web3.
ZK Empowers ML: fornece infraestrutura on-chain
A razão pela qual o ML, que é relativamente maduro fora da cadeia, acaba de entrar na cadeia é porque o custo do poder de computação do blockchain é muito alto. Muitos projetos de aprendizado de máquina não podem ser executados diretamente no ambiente blockchain representado pelo EVM devido a limitações de poder de computação. Ao mesmo tempo, embora a verificação da validade do ZK seja mais eficiente do que o cálculo duplo, essa vantagem é limitada ao processamento de dados da transação nativo do blockchain. Quando as operações e interações criptográficas já complexas do ZK enfrentam um grande número de operações de ML, o problema de baixo TPS do blockchain é exposto, e o problema do baixo poder de computação do blockchain tornou-se o maior obstáculo que impede o ML on-chain.
O surgimento de ZK-SNARKs alivia o problema dos altos requisitos de poder de computação do ML. ZK-SNARKs é uma construção criptográfica de prova de conhecimento zero, e seu nome completo é "Argumento de conhecimento sucinto e não interativo de conhecimento zero". É uma técnica baseada em criptografia de curva elíptica e criptografia homomórfica para provas eficientes de conhecimento zero. ZK-SNARK é caracterizado por alta compacidade. Ao usar ZK-SNARKs, o provador pode gerar uma prova curta e compacta, e o verificador precisa apenas realizar uma pequena quantidade de cálculo para verificar a validade da prova sem ter que se comunicar com o provar muitas vezes. interagir. Essa natureza de exigir apenas uma interação entre o provador e o verificador torna os ZK-SNARKs eficientes e práticos em aplicações práticas e é mais adequado para os requisitos de poder de computação do ML na cadeia. Atualmente, ZK-SNARKs são a principal forma de ZK em ZKML.
A capacitação de ZK para ML é refletida principalmente na prova de conhecimento zero de todo o processo de ML, que é a interação entre ML e as funções na cadeia. Os dois principais problemas que precisam ser resolvidos nessa interação são conectar os formulários de dados dos dois e fornecer poder de computação para o processo de prova ZK.
ML capacitando o ZK: enriquecimento de cenários de aplicativos Web3
O ZK resolve o problema de prova de confiança do ML e oferece ao ML a oportunidade de ser encadeado. Muitos campos da Web3 precisam urgentemente da produtividade ou suporte à decisão de AI ML. O ZKML permite que aplicativos on-chain realizem o empoderamento de AI sob a premissa de garantir descentralização e eficácia.
DeFi
O ZKML pode ajudar o DeFi a ser mais automatizado, um é a automação de atualizações de parâmetros de protocolo na cadeia; o outro é a automação de estratégias de negociação.
FEZ
O ZKML pode ajudar na construção do DID de identidade descentralizada Web3. Anteriormente, os modos de gerenciamento de identidade, como chaves privadas e mnemônicos, tornavam a experiência do usuário do Web3 ruim. A construção do DID real pode ser concluída por meio do ZKML para identificar as informações biológicas dos indivíduos do Web3. Ao mesmo tempo, o ZKML pode garantir a segurança da privacidade das informações biológicas do usuário .
jogo
O ZKML pode ajudar os jogos da Web3 a obter on-chain com todos os recursos. O ML pode trazer automação diferenciada para a interação do jogo e aumentar a diversão do jogo; enquanto o ZK pode tomar as decisões de interação do ML on-chain.
Cuidados de saúde e assessoria jurídica
Saúde e consultoria jurídica são áreas com alta privacidade e requerem um grande número de acumulações de casos. O ZKML pode ajudar os usuários a tomar decisões e garantir que a privacidade dos usuários não seja vazada.
Desafios ZKML
Atualmente, o ZKML está se desenvolvendo vigorosamente, mas como não é nativo do blockchain e requer muito poder de computação, o ZKML enfrentará principalmente os dois desafios a seguir no futuro:
Conclusão
ZKML é um movimento bidirecional entre a prova de conhecimento zero e o aprendizado de máquina. A tecnologia blockchain recentemente desenvolvida ZK ajuda ML a resolver o problema de prova de confiança e fornece um ambiente on-chain para ML; a tecnologia AI madura ML ajuda ZK a realizar Web3 ecológico expansão e inovação de aplicativos.
O desenvolvimento do ZKML enfrenta alguns desafios, como problemas de distorção de parâmetros e requisitos de alta potência de computação para modelos grandes, mas esses problemas podem ser resolvidos por meio de inovação tecnológica e aceleração de hardware. Com o contínuo surgimento e desenvolvimento de projetos ZKML, podemos prever que trará mais inovação e valor ao ecossistema Web3 em áreas como DeFi, DID, jogos e saúde.
No futuro, espera-se que ZKML se torne a chave para realmente desbloquear a integração cruzada de Web3 + AI, fornecendo forte suporte para aumentar a segurança, proteção de privacidade e aplicativos de blockchain eficientes. Ao combinar o conhecimento zero do ZK e os recursos de processamento de dados do ML, certamente seremos capazes de criar um mundo digital mais aberto, inteligente e confiável!